WEB3Wallet-Apps / dApp-Interfaces / Token-gated MembershipWeb3 entdecken →
Alle ArtikelAutomatisierung

KI-Agenten im Mittelstand: 5 Use Cases mit belastbarem ROI

Fünf konkrete KI-Agenten-Projekte für mittelständische Betriebe mit nachgewiesener Kostenersparnis: von automatisierter Kundenbetreuung bis zur…

Pazl teamEntwickler und Produktdesigner bei Pazl
Veröffentlicht am Aktualisiert am 8 Min. Lesezeit
KI-Agenten im Mittelstand: 5 Use Cases mit belastbarem ROI
In diesem Artikel

Ein Betrieb mit 35 Mitarbeitenden bekommt montags 80 Kundenanfragen per E-Mail und Telefon, dazu 40 Rechnungen, die irgendwann in die Buchhaltung müssen, und eine Vertriebsliste mit 2.000 Adressen, die seit Monaten ungenutzt in einer Excel-Tabelle liegt. Für all das reicht das Personal nicht aus, und eine neue Stelle kostet schnell 50.000 bis 60.000 Euro im Jahr. Genau an dieser Stelle setzen KI-Agenten an: Sie übernehmen abgegrenzte Teilaufgaben mit klaren Regeln, nicht das ganze Unternehmen auf einmal.

Der Unterschied zu einem klassischen Chatbot ist dabei entscheidend für die Kalkulation. Ein Chatbot beantwortet Fragen aus einer Wissensdatenbank. Ein Agent liest eine E-Mail, prüft sie gegen ein CRM oder ein ERP, löst eine Aktion aus, etwa eine Buchung, eine Antwort oder eine Eskalation an einen Menschen, und dokumentiert, was er getan hat. Diese Dokumentation entscheidet später darüber, ob sich der Aufwand in Euro und Stunden überhaupt nachrechnen lässt.

Die folgenden fünf Use Cases stammen aus Projekten, die wir selbst gebaut haben, oder aus Mechaniken, die wir aus eigener Entwicklung kennen. Wo wir keine belastbare Zahl haben, sagen wir das auch so.

1. Kundenservice und Terminkoordination: der Agent als erste Instanz

Für ein Veranstaltungsbüro haben wir einen Chat-Agenten entwickelt, der Text, Sprachnachrichten, Fotos und Videos von Kunden versteht, Rückfragen zu Terminen und Leistungen selbstständig beantwortet und Aufgaben direkt in Trello anlegt. Der Auslöser war ein klassisches Wachstumsproblem: Je mehr Projekte das Büro gleichzeitig betreute, desto mehr Zeit verbrachten die Mitarbeitenden mit Rückfragen zu Details, die sich eigentlich wiederholten. Neue Leute einzustellen, hätte die Marge aufgezehrt.

Der Agent übernimmt den Erstkontakt, erfasst die Anfrage, merkt sich den Kontext des jeweiligen Kunden und reicht das Gespräch erst dann an einen Menschen weiter, wenn es wirklich komplex wird, inklusive einer Zusammenfassung, damit der Kollege nicht von vorne anfangen muss. Kunden bekommen eine Reaktion auch um 23 Uhr oder am Samstag, ohne dass jemand Bereitschaftsdienst leistet.

Für die Kalkulation zählen zwei Dinge: wie viele Anfragen pro Monat wiederkehrende Muster haben (Verfügbarkeit, Preise, Status einer Buchung), und wie teuer eine zusätzliche Vollzeitstelle wäre, die diese Anfragen sonst abfängt. Bei Pazl starten Projekte dieser Art als Festpreis zwischen 3.000 und 6.000 Euro, abhängig davon, wie viele Systeme angebunden werden müssen und wie viele Eskalationsregeln nötig sind. Der Preis wird erst nach einem Pflichtenheft fixiert, nicht vorher: Wer Ihnen vor der Analyse eine exakte Zahl nennt, hat die Komplexität Ihres Falls noch gar nicht gesehen.

Ein Punkt, den viele Mittelständler unterschätzen: Sobald der Agent personenbezogene Daten von Kunden verarbeitet, Namen, Telefonnummern, Gesprächsverläufe, braucht es einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO mit dem Anbieter der zugrunde liegenden KI-Infrastruktur. Das ist kein Hindernis, aber ein Punkt, der ins Lastenheft gehört, bevor der erste Prototyp läuft.

2. Vertrieb: personalisierte Ansprache statt Rundmail

Der zweite Use Case stammt nicht aus einem Kundenprojekt, sondern aus unserer eigenen Vertriebsarbeit. Wir betreiben eine Kaltakquise über mehrere Postfächer und siebzehn Branchensegmente, und wir haben dafür bewusst auf klassische Mail-Merge-Felder verzichtet. Statt „Sehr geehrter {{Name}}” liest ein Agent die Website des jeweiligen Leads, die Startseite und bis zu vier Unterseiten, und schreibt ein bis zwei Sätze, die konkret auf dieses Unternehmen Bezug nehmen. Diese Anreicherung kostet uns, je nach eingesetztem Modell, unter einem US-Cent pro Lead; der komplette KI-Teil unseres Akquiseprozesses, inklusive Posteingangs-Analyse und Antwortentwürfen, liegt zusammen bei rund 30 bis 35 US-Dollar im Monat. Diese Zahl zeigt, wie günstig Textgenerierung inzwischen geworden ist. Die eigentlichen Kosten eines solchen Projekts liegen in der Konzeption, nicht im laufenden Betrieb.

Warum lohnt sich der Aufwand gegenüber einer simplen Serienmail? Weil Mail-Merge-Floskeln laut einer Auswertung von Reply.io, einem Anbieter für Vertriebs-Automatisierung, die Antwortquote nachweislich senken und den Anteil „interessiert”-Antworten noch deutlicher drücken. Ein Agent, der für jeden Lead tatsächlich zwei individuelle Sätze liefert, schlägt das strukturell, vorausgesetzt, die Basisinfrastruktur stimmt: gestaffelter Versand pro Postfach, damit die Zustellbarkeit nicht kippt, und ein Opt-out in jeder Nachricht.

Für den deutschen Markt kommt ein Punkt dazu, der in vielen Angeboten für „KI-gestützte Kaltakquise” fehlt: E-Mail-Werbung an Geschäftskunden ohne vorherige Einwilligung ist nach § 7 Abs. 2 Nr. 3 des Gesetzes gegen unlauteren Wettbewerb (UWG) nur unter engen Voraussetzungen zulässig, im Kern bei einer bestehenden Kundenbeziehung und mit klarer Widerspruchsmöglichkeit. Ein Agent, der Massen-Kaltakquise im B2B-Bereich automatisiert, muss diese Grenze in der Zielgruppenauswahl berücksichtigen, nicht erst im Nachhinein.

3. Rechnungseingang: lesen, vorkontieren, GoBD-konform exportieren

Der dritte Use Case betrifft die Buchhaltung, und hier ist die Mechanik Branchenstandard, auch wenn wir sie für keinen konkreten Kunden in dieser Form dokumentiert haben: Ein Agent nimmt eingehende Rechnungen entgegen, als PDF, als XRechnung oder als ZUGFeRD-Hybrid-Format, extrahiert Lieferant, Betrag, Steuersatz und Kostenstelle, gleicht sie gegen offene Bestellungen ab und schlägt eine Kontierung vor. Freigegeben wird von einem Menschen, exportiert wird im DATEV-Format oder über DATEVconnect direkt in die Kanzleisoftware des Steuerberaters.

Der Grund, warum dieser Use Case technisch anspruchsvoller ist als ein reiner Chat-Agent, liegt in den GoBD (Grundsätze zur ordnungsmäßigen Führung und Aufbewahrung von Büchern): Jede automatische Vorkontierung muss nachvollziehbar, unveränderbar protokolliert und einer Verfahrensdokumentation zugeordnet sein. Wer hier nur ein Sprachmodell „irgendwie” an die Buchhaltung anschließt, ohne Audit-Trail und Rollenkonzept, bekommt beim nächsten Betriebsprüfer ein Problem, unabhängig davon, wie gut die Texterkennung funktioniert.

Der zeitliche Druck für diesen Use Case ist real: Die Pflicht zum Empfang elektronischer Rechnungen im B2B-Bereich gilt in Deutschland bereits seit dem 01.01.2025. Die Pflicht zur Ausstellung folgt gestaffelt nach den Übergangsregelungen des Wachstumschancengesetzes, ab dem 01.01.2027 für Unternehmen mit einem Vorjahresumsatz über 800.000 Euro, ab dem 01.01.2028 für die übrigen. Wer schon heute einen Agenten für den Rechnungseingang aufbaut, baut ihn zweckmäßigerweise gleich so, dass er mit XRechnung und ZUGFeRD sauber umgeht. Die zweite Ausbaustufe für die Ausstellungspflicht lässt sich dann nachrüsten, statt neu zu entwickeln.

4. ERP-Konsolidierung: Disposition, Dokumente und Finanzen in einem System

Bei einem Transportunternehmen waren Fuhrparkdaten, Dokumente, Finanzen und die operative Steuerung über GPS-Ortung, Tabellenkalkulationen, eine separate Buchhaltungssoftware und mehrere Messenger verteilt. Die Geschäftsführung sah die Lage nie als Ganzes, die Disposition reagierte verzögert, und Kennzahlen für die Fahrervergütung wurden händisch und fehleranfällig zusammengerechnet. Wir haben ein ERP-System gebaut, das den kompletten Ablauf einer Fahrt, von der Ausfahrt bis zum Abschlussdokument und der Berechnung der Fahrerprämie, in einem Datenmodell abbildet, mit eigenen Oberflächen für Geschäftsführung, Disposition, Buchhaltung und Fahrer.

Der KI-Anteil in einem solchen System liegt selten in einem einzelnen Chat-Fenster, sondern in der Hintergrundlogik: Ein Agent erkennt Abweichungen in Routen oder Standzeiten, schlägt Umplanungen vor und bereitet die Kennzahlen auf, bevor ein Mensch sie prüft. Für Mittelständler mit SAP Business One als bestehender ERP-Basis ist der realistische Einstieg selten ein Komplettaustausch, sondern ein Agent, der zusätzliche Datenquellen, Fahrzeugtelemetrie, Lieferantenportale, Zeiterfassung, anbindet und dem bestehenden System vorverarbeitete, geprüfte Daten übergibt, statt das ERP selbst zu ersetzen.

Der ROI bei dieser Art von Projekt zeigt sich nicht in einer einzelnen Kennzahl, sondern in der Summe aus weniger manuellen Abgleichen zwischen Abteilungen, schnelleren Reaktionszeiten auf Abweichungen und einer Kennzahlenberechnung, die nicht mehr von einzelnen Personen abhängt, die im Urlaub ausfallen können.

5. Marken- und Reputationsschutz: Monitoring mit automatisierter Meldungserstellung

Für eine Agentur, die urheberrechtlich geschützte Inhalte vor unautorisierter Verbreitung schützt, haben wir ein System gebaut, das Suchmaschinen wie Google und Bing kontinuierlich nach Treffern durchsucht, Verstöße erkennt, automatisch Screenshots und Belege sammelt und daraus einen Entwurf für eine Löschanfrage im jeweils passenden Format der Plattform vorbereitet. Vorher kostete die manuelle Suche, Dokumentation und Antragstellung mehrere Stunden pro Fall, eine klare Grenze für das Wachstum des Geschäfts, weil mehr Kunden automatisch mehr Personal bedeutet hätten.

Nach der Umstellung bearbeitet eine Person das Volumen, für das vorher mehrere Fachkräfte nötig waren, weil der Agent die Recherche- und Dokumentationsarbeit übernimmt und nur noch die rechtliche Prüfung beim Menschen liegt. Die Reaktionszeit auf neue Verstöße sank von tagelangen Stichprobenprüfungen auf eine kontinuierliche, stündliche Überwachung.

Der entscheidende Konstruktionspunkt bei diesem Use Case: Der Agent bereitet vor, ein Mensch entscheidet final. Eine automatisierte Massenmeldung ohne rechtliche Prüfung erzeugt im Zweifel mehr Streitfälle, als sie löst, gerade wenn es um Marken- oder Urheberrecht geht, bei dem die Einschätzung, ob tatsächlich ein Verstoß vorliegt, Ermessensspielraum hat.

Was diese fünf Use Cases realistisch kosten

Die folgenden Zahlen sind Richtwerte aus eigener Projekterfahrung und allgemeiner Marktbeobachtung, keine Festpreise für Ihr konkretes Projekt. Der tatsächliche Aufwand hängt davon ab, wie viele Systeme angebunden werden und wie viele Ausnahmefälle abgedeckt werden müssen.

Use Case Typischer Einstiegsaufwand Was den Preis nach oben treibt Relevante Systeme/Normen
Kundenservice-Agent
ab ca. 3.000–6.000 € (Festpreis, Pazl-Einstiegsrahmen)
Anzahl angebundener Kanäle, Eskalationslogik, Mehrsprachigkeit
DSGVO Art. 28, CRM-Anbindung
Vertriebs-/Lead-Agent
laufende Kosten meist im niedrigen zweistelligen Euro-Bereich pro Monat für die KI-Komponente, dazu Konzeptionsaufwand
Anzahl Segmente, Domain-Infrastruktur, Zustellbarkeit
§ 7 UWG, DSGVO
Rechnungs-/DATEV-Agent
mittel bis hoch, abhängig von Ausnahmefällen im Rechnungswesen
Vielfalt der Lieferantenformate, Freigabeworkflows
GoBD, DATEV-Export/DATEVconnect, XRechnung/ZUGFeRD
ERP-Konsolidierung
hoch, da meist Mehrsystem-Integration
Anzahl Datenquellen, bestehende ERP-Basis (z. B. SAP Business One)
Rollen- und Rechtekonzept, Audit-Trail
Monitoring-/Compliance-Agent
mittel, mit laufenden Betriebskosten für die Überwachung
Anzahl überwachter Plattformen, rechtliche Prüftiefe
Markenrecht, menschliche Freigabe

Wo der ROI kippt

Die Rechnung geht nicht automatisch auf. Ein Agent, der auf schlechten oder unstrukturierten Daten aufsetzt, produziert schlechte Ergebnisse schneller als ein Mensch, das Problem verlagert sich, es verschwindet nicht. Wer Rechnungen seit Jahren uneinheitlich ablegt oder Kundendaten über drei verschiedene Tabellen verteilt, sollte diesen Aufräumschritt in die Projektlaufzeit einplanen, nicht danach.

Ein zweiter Punkt betrifft Unternehmen, die als Zulieferer für Betreiber kritischer Infrastrukturen arbeiten: Hier greift möglicherweise die NIS2-Richtlinie (EU) 2022/2555 mit zusätzlichen Anforderungen an IT-Sicherheit und Meldepflichten, auch wenn das eigene Unternehmen selbst nicht direkt unter die Richtlinie fällt. Ob das zutrifft, klärt man vor dem Projektstart, nicht währenddessen.

Und zuletzt: Server, Lizenzen und laufende API-Kosten für das zugrunde liegende Sprachmodell trägt bei uns immer der Auftraggeber direkt. Das hält die Rechnung transparent, auch wenn der Modellanbieter seine Preise ändert.

Häufige Fragen

Wie lange dauert es, bis ein KI-Agent produktiv läuft? Für einen Kundenservice- oder Vertriebs-Agenten mit klar abgegrenztem Funktionsumfang sind zwei bis drei Wochen ab Freigabe des Pflichtenhefts realistisch. Projekte mit mehreren Systemanbindungen, etwa die DATEV-Integration oder eine ERP-Konsolidierung, brauchen deutlich länger, weil die Testphase mit echten Ausnahmefällen die meiste Zeit kostet, nicht die eigentliche Entwicklung.

Brauchen wir eigene technische Mitarbeiter, um den Agenten später zu pflegen? Für kleinere Anpassungen innerhalb des ursprünglichen Funktionsumfangs nicht zwingend, solche Änderungen lassen sich im Rahmen der Garantie oder eines Wartungsvertrags abdecken. Neue Funktionen oder ein erweiterter Systemanschluss sind zusätzlicher Aufwand, der separat vereinbart wird.

Was müssen wir als Auftraggeber vorbereiten, bevor das Projekt startet? Zugänge zu den Systemen, die der Agent später anbinden soll, CRM, Buchhaltung, Website-Backend, sowie eine realistische Einschätzung, wie viele Ausnahmefälle Ihr aktueller Prozess hat. Ein grobes Mengengerüst (wie viele Anfragen, Rechnungen oder Leads pro Monat) reicht für die erste Kalkulation, das Pflichtenheft verfeinert das später.

Was passiert, wenn der Agent eine Anfrage falsch beantwortet? Deshalb gehört eine Eskalationsregel von Anfang an ins Konzept: Der Agent übergibt Fälle, die er nicht sicher einordnen kann, an einen Menschen, statt zu raten. Nach Projektabschluss greift zusätzlich die vereinbarte Garantiezeit für Fehler, die auf der Entwicklung beruhen.

Lohnt sich das für einen Betrieb mit unter 20 Mitarbeitenden? Das hängt vom Volumen der wiederkehren

Verfasst von

Pazl team · Entwickler und Produktdesigner bei Pazl

Pazl entwirft und entwickelt Websites, mobile Apps, KI-Automatisierung und Web3-Produkte.

Über Pazl →